Fpai-user-one-model

100/30/400Tai模型部署工程的一体化交付 skill：工程框架结构生成 / 源工程迁移 / 模型导出 / 算子审计 / TOML 编译 / Windows 仿真 / 上板执行准备。

客户侧后端选择 100Tai/30Tai/400Tai 内部归一到 BY/ZG/WL；后端一经选定只生成、编译该后端。
自动挂载内部知识库 \92.168.35.7\public\fpai_kb（产品/应用/TOML/runtime API/算子清单/编译教程），客户无需提供。
默认只读工程参考库 \92.168.35.7\public\fpai_kb\icraft_v3.38\public\modelzoo\400Tai_pure（多目标库，先清点 BY/ZG/WL 分支，不先进入 WL）。
上板执行交叉编译成功后移交独立 skill Fpai-user-connector；本 skill 不独立做上传/SSH/板端执行。

快速使用

输入请求（完整模板见 references/customer-prompt-template.md 与 skill_user_QA_checklist.md）：

请使用这个 skill进行模型部署：
<Fpai-user-one-model 路径>
Python 源工程：<Python 工程绝对路径>
权重：<权重绝对路径>
本次 icraft compile 后端：100Tai/30Tai/400Tai
本次 icraft compile 精度：int8/bf16/fp16/tf32/fp32
运行方式：Windows 仿真 / 上板执行

标准目录结构

<model>/<model>_icraft/
  1_scripts/             # 0_infer.py / 1_save.py / 2_save_infer.py
  weights/               # 源权重存放位置
  2_compile/
    config/{BY,ZG,WL,customop}/
    fmodel/              # 1_save.py的导出权重
    qtset/               # 量化校准集
    logs/                # operator_stats.md / operator_audit.md
  3_deploy/
    BYZG/                # BY/ZG 运行时（CMakeLists.txt / src / modelzoo_utils/ pyrt）
    WL/                  # WL 运行时（CMakeLists.txt / src / modelzoo_utils/ pyrt）
    cfg/                 # 运行时配置文件
    imodel/              # 编译网络的产物
    io/                  # 输入输出
    names/               # 类别名
    metrics/             # 耗时分析脚本

build_win/build_arm在读取编译配置前新建，编译程序的产物生成在该目录下。

交付阶段

源工程 / 参考工程分析：识别任务族，清点参考库 BY/ZG/WL 分支，记录输入尺寸。
准备 1_scripts：生成最小 requirements.txt → uv .venv 或客户自装 → 0_infer.py/1_save.py/2_save_infer.py，源模型代码原样复制进部署工程，看图验收。
检查 fmodel：2_compile/fmodel 存在且与 TOML network 一致，ONNX 契约 opset 17 / IR 8。
算子审计：先 inspect_model_ops.py --inventory-only 出统计表，后端明确后再对照 BUYI/ZG330 审计。
准备 TOML 与 qtset：按后端保留支持的精度变体（BY=int8/int16，ZG=int8/fp16），真实校准集。
执行 icraft compile：编译前交互确认后端、精度、若选择400Tai后端需要询问 core 模式。
准备 runtime source：modelzoo_utils 从版本化 KB 同步或指定本地路径同步，模型逻辑写入 src/pyrt。
准备 cfg 与 io：imodel.dir/dataset.dir/dataset.list 可解析。
打包与 runtime 构建：Windows 仿真本地 .exe，或上板执行 ARM64 ELF。
分阶段报告通过 / 跳过原因 / 需人工补齐；上板后返回板端结果进行各阶段对比，若结果不理想自动调用精度分析skill进一步检查并进行量化调优。

关键门禁

权重校验门禁（导出前）：用 Fpai-dev-model-download 的 verify_model.py + weights_gate.py，输出 PASS/REVIEW/BLOCK；BLOCK 必须停止并请客户重新下载/换源/确认。
输入数据/校准集门禁（0_infer 前、编译前）：scripts/check_input_data.py --qtset/--test-input，禁止用随机输入（尤其 GAN）或跨域校准集。
看图验收门禁：0_infer.py 与 2_save_infer.py 输出结果必须对齐；每次改 1_save.py 后都要重跑两者再对比。
编译交互门禁：每次 icraft compile 前重新询问后端/精度；WL 额外问 core 模式（icore→cores=1，cluster→cores=4）。
DetPost 硬算子门禁（试验性，仅 BY/ZG CV 检测模型）：scripts/configure_byzg_hardop.py，非检测模型与 WL 均不启用。

文件

SKILL.md — skill 指令（流程、门禁、硬约束、验收清单）。
model-deploy-400tai-user-guide.md — 面向客户的 400TAI 交付指南（10 阶段与验收标准）。
skill_user_QA_checklist.md — 客户问答清单（agent 会问什么、客户准备什么、最短请求示例）。
agents/openai.yaml — skill 展示名与默认提示词。
scripts/ — 确定性脚本（见下）。
references/ — 分阶段指南与经验案例库。

脚本

脚本	用途
`scaffold_icraft_modelzoo.py`	从 PyTorch/ONNX 或参考工程目录结构生成工程
`inspect_reference_branches.py`	清点参考库候选工程的 BY/ZG/WL 分支覆盖
`generate_python_requirements.py`	由 imports 生成最小导出/推理 `requirements.txt`
`finalize_onnx_for_icraft.py`	强制 ONNX fmodel 回写 `ir_version=8` 并校验 opset 17
`inspect_model_ops.py`	导出算子统计表 / 按后端做支持性审计
`check_input_data.py`	输入数据/校准集准入校验（PASS/REVIEW/BLOCK）
`sync_modelzoo_utils.py`	按 iCraft 版本与后端从 KB 同步 `modelzoo_utils`
`configure_byzg_hardop.py`	BY/ZG CV 检测 DetPost/ImageMake 硬算子 TOML 配置
`set_wl_toml_cores.py`	写 WL TOML `[generate].cores`（icore/cluster）
`set_yaml_run_backend.py`	设置运行时 YAML `imodel.run_backend`（host 仿真）
`apply_customop_fp32.py`	生成 customop 混合精度 CSV（customop 行 FP32）
`init_cpp_migration_artifacts.py`	创建 Python→C++ 迁移契约文件
`breakthrough_hint.py`	失败攻坚：按 fail_kind/family 检索案例库给候选动作
`gen_experience_index.py`	扫描 `mdz_cases/` 生成案例库索引
`backend_profile.py`	加载共享 backend profile（后端差异单一来源）
`audit_common.py` / `audit_report.py`	审计日志写入与汇总（拦截数/一次通过率/平均轮次）

参考文档（references/）

流程：path-intake-guide.md、project-scaffold-guide.md、icraft-project-400tai-adaptation-guide.md、400tai-delivery-workflow.md、export-and-toml-compile-guide.md、path-resolution-guide.md、index-model-family.md。
环境与迁移：python-env-check-guide.md、python-runtime-to-cpp-porting-guide.md、customop-quantize-handoff.md。
审计与数据：operator-support-audit-guide.md、input-data-guide.md。
运行时：runtime-build-mode-guide.md、runtime-cross-compile-guide.md、vendor-docker-image-notes.md。
经验：model-adaptation-experience.md（跨模型共性规律）+ mdz_cases/（按模型案例，索引 mdz_cases/README.md，现覆盖 gan/ocr/video 8 个模型）。
客户文档：400tai-customer-input-examples.md、customer-prompt-template.md。

共享 backend profile

后端差异（精度集合、modelzoo_utils 路径、core 模式、DetPost pass、算子支持口径、运行时分组）不硬编码，统一从 profile 读取：

解析顺序：--backend-profiles > $FPAI_BACKEND_PROFILES > %FPAI_KB%\backend_profiles > <opencode>\shared\backend_profiles。
加载器：scripts/backend_profile.py；未找到时回退内置默认（BY/ZG/WL 现有值），行为与先前一致。

限制

客户只给权重/模型文件且无完整 Python 工程时，C++ 运行时后处理只能复用同族参考逻辑，编译通过不代表后处理已适配该权重输出。
内部知识库与默认参考库不可达时，只能基于本地 references/ 做纯文档推理，不能执行依赖版本化 modelzoo_utils 的编译/构建。
无真实校准集时可继续用随机 qtset 让 quantize 跑通，但量化精度不可信，在报告中声明。
上板执行依赖 PC 版 Docker Desktop 或Ubuntu20.04/24.04进行交叉编译。
板端上传、SSH、依赖安装与执行由 Fpai-user-connector 负责；精度不达标时转 modelzoo-accuracy-analysis。